CN112907949B - 交通异常的检测方法、模型的训练方法及装置 - Google Patents

交通异常的检测方法、模型的训练方法及装置 Download PDF

Info

Publication number
CN112907949B
CN112907949B CN202110075844.2A CN202110075844A CN112907949B CN 112907949 B CN112907949 B CN 112907949B CN 202110075844 A CN202110075844 A CN 202110075844A CN 112907949 B CN112907949 B CN 112907949B
Authority
CN
China
Prior art keywords
traffic
objects
parameter
participants
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110075844.2A
Other languages
English (en)
Other versions
CN112907949A (zh
Inventor
叶锦
谭啸
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110075844.2A priority Critical patent/CN112907949B/zh
Publication of CN112907949A publication Critical patent/CN112907949A/zh
Application granted granted Critical
Publication of CN112907949B publication Critical patent/CN112907949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了交通异常的检测方法、模型的训练方法、装置，涉及人工智能技术领域，尤其涉及计算机视觉领域和深度学习技术领域。具体实现方案为：确定交通数据中的对象，对象包括交通设施以及交通参与者；确定交通数据中的对象之间的关联参数；根据对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果。可以对异常情况及时上报和广播；对异常情况发生的原因进行解析判断。

Description

交通异常的检测方法、模型的训练方法及装置
技术领域
本申请涉及人工智能技术领域，尤其涉及计算机视觉领域和深度学习技术领域。
背景技术
交通事故可能会对整个交通网络产生冲击，让原本通畅的交通变得拥堵，让原本宽敞的道路变得无法通行，让用户原本的出行计划变得不可实现。相关技术大多致力于对事故发生的预测，而对于当下的交通异常行为检测缺乏有效机制。
发明内容
本申请提供了一种交通异常的检测方法、交通异常检测模型的训练方法、装置、设备、存储介质和计算机程序产品。
根据本申请的一方面，提供了一种交通异常的检测方法，该方法可以包括以下步骤：
确定交通数据中的对象，对象包括交通设施以及交通参与者；
确定交通数据中的对象之间的关联参数；
根据对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果。
根据本申请的另一方面，提供了一种交通异常检测模型的训练方法，该方法可以包括以下步骤：
利用交通数据中的对象之间的关联参数样本，确定初始化的交通参数阈值；
将交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到交通异常参数与初始化的交通参数阈值的差异；
根据差异对待训练的交通异常检测模型进行训练，直至差异在允许范围内。
根据本申请的第三方面，提供了一种交通异常的检测装置，该装置可以包括：
交通数据识别模块，用于确定交通数据中的对象，对象包括交通设施以及交通参与者；
关联参数确定模块，用于确定交通数据中的对象之间的关联参数；
检测结果生成模块，用于根据对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果。
根据本申请的第四方面，提供了一种交通异常检测模型的训练装置，该装置可以包括：
初始化的交通参数阈值确定模块，用于利用交通数据中的对象之间的关联参数样本，确定初始化的交通参数阈值；
差异确定模块，用于将交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到交通异常参数与初始化的交通参数阈值的差异；
训练执行模块，用于根据差异对待训练的交通异常检测模型进行训练，直至差异在允许范围内。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本申请任一实施例中的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本申请任一实施例中的方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请任一实施例中的方法。
根据本申请的技术利用交通异常检测模型，根据交通数据确定的交通参与者之间的联系，以及交通设施与交通参与之间的联系即可高效的得出交通异常情况。例如，可以对异常情况及时上报和广播；对异常情况发生的原因进行解析判断。在覆盖范围以及时效性方面具有较高的优势。尤其适用于高精地图，对交通异常情况的检测精度和鲁棒性都能达到较高的水准。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请交通异常的检测方法的流程图；
图2是根据本申请确定交通数据中的对象的流程图；
图3是根据本申请得到交通异常的检测结果的流程图；
图4是根据本申请交通异常检测模型的训练方法的流程图；
图5是根据本申请交通异常的检测装置的示意图；
图6是根据本申请交通异常检测模型的训练装置的示意图；
图7是用来实现本申请实施例的交通异常的检测方法和/或交通异常检测模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本申请提供一种交通异常的检测方法，该方法可以包括以下步骤：
S101：确定交通数据中的对象，对象包括交通设施以及交通参与者；
S102：确定交通数据中的对象之间的关联参数；
S103：根据对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果。
本申请可以应用于云端或者车端等，用于对交通异常情况进行检测。交通数据可以包括高精地图数据、车辆或者路侧的图像检测设备采集的道路图像等。
本申请以云端为执行主体，交通数据为高精地图数据为例进行说明。交通数据可以通过互联网或者车联网传输至云端。
高精地图数据中的对象可以包括交通设施以及交通参与者。其中，交通设施可以包括车道线、交通信号灯、路沿和隔离带等。交通参与者可以包括车辆、行人等。
高精地图数据可以是在时间维度具有连续性的数据。例如，间隔t时刻可以获取到一帧高精地图数据。对于每个时刻(每帧数据)，可以对高精地图数据中的交通设施以及交通参与者进行识别。
对于交通设施，可以确定其变化部分，例如，在t1至t2时刻，交通信号灯为红灯，t2至t3时刻，交通信号灯为绿灯等。对于车道线等不变的交通设施，则可以直接确定其内容。例如前述的车道线、路沿和隔离带等。
对于交通参与者，可以通过识别每个交通参与者在不同时刻的位置，确定每个交通参与者的移动轨迹。
交通数据中的对象之间的关联参数可以表征交通参与者之间的关联情况、也可以表征交通参与者与交通设施之间的关联情况。上述关联情况可以以向量的形式表示。例如，交通参与者之间的关联情况可以是同向行驶、相向行驶、跟随行驶等。交通参与者之间的关联情况也可以是车主和车辆的关系，车辆和行人的在同一区域中参与交通的行为，例如在停车场场景、社区(校园)内行驶场景等。交通设施与交通参与之间的关联情况可以是在不同车道中的行驶，根据标记线进行的转向、掉头行驶、根据交通信号灯的停车行为或者启动行为等。利用向量的形式，一方面可以便于比较，另外可以以标准化形式的数据表达丰富的信息。
交通异常检测模型可以是根据交通数据中的对象之间的关联参数样本预先训练的。例如，可以利用正样本和负样本对交通异常检测模型进行训练。即，正样本可以是交通正常情况下对应的交通数据中的对象之间的关联参数，负样本可以是交通异常情况下对应的交通数据中的对象之间的关联参数。
另外，在负样本(交通异常行为)的数量不足的情况下，还可以仅利用正样本对交通异常检测模型进行训练。例如，利用交通正常情况下对应的交通数据中的对象之间的关联参数，确定出关联参数的边界(交通参数阈值)。在进行交通异常检测时，如果交通数据中的对象之间的关联参数超出关联参数的边界，则交通异常检测模型可以得出交通异常的结果。
交通异常检测模型可以对每个时刻(每帧数据)的交通数据进行分析，以得出交通异常的结果。或者，也可以间隔一定时长，对交通数据进行分析，以得出交通异常的结果。
本申请的上述方案，利用交通异常检测模型，根据交通数据确定的交通参与者之间的联系，以及交通设施与交通参与之间的联系即可高效的得出交通异常情况。例如，可以对异常情况及时上报和广播；对异常情况发生的原因进行解析判断。例如，车辆在红灯情况下依然驶过路口造成的事故，可以快速确定事故原因。在覆盖范围以及时效性方面具有较高的优势。尤其适用于高精地图，对交通异常情况的检测精度和鲁棒性都能达到较高的水准。
结合图2所示，在一种实施方式中，步骤S101中涉及的确定交通数据中的对象，可以包括以下步骤：
S201：对交通数据进行编码，得到编码结果；
S202：对编码结果进行特征提取，得到第一特征和第二特征；第一特征用于表征交通设施，第二特征用于表征交通参与者。
编码的形式可以是独热(One-Hot)编码，也可以是目标编码(Target encoding)。另外，编码的形式还可以是其他形式的编码，在此不进行限定。
通过编码，可以表征交通数据中交通设施以及交通参与者在不同维度的信息。
对于交通设施，不同维度的信息可以是交通设施的(空间)坐标、状态等。其中，交通设施的状态可以是红灯状态、绿灯状态、潮汐车道指示、标识线的含义等。
对于交通参与者，不同维度的信息可以是交通参与者在一段时间内的轨迹、交通参与者的类别等。交通参与者的类别可以是行人、非机动车、机动车等类别，也可以是自行车、电动自行车等类别，还可以是公交车、私家车等类别。
另外，不同维度的信息还可以包括时间信息、天气信息等。
利用特征提取模型，可以对编码结果进行特征提取。特征提取模型可以是卷积神经网络(CNN，Convolutional Neural Networks)模型。利用该模型，可以提取出交通设施的特征和交通参与者的特征，即，分别对应第一特征和第二特征。利用提取出的特征表征交通设施以及交通参与者。
本实施例中，特征提取模型通过对交通数据(高精地图)的编码结果进行卷积、池化等计算处理，提取出包含的交通设施和交通参与者特征的特征向量。
通过上述方案，可以以特征的形式表征交通设施以及交通参与者，以有效的降低交通数据中的数据量。从而可以降低后续交通异常的运算量，提高计算效率。
在一种实施方式中，对编码结果进行特征提取，包括：
利用交通设施特征提取模型，对编码结果进行特征提取，得到第一特征；
利用交通参与者特征提取模型，对编码结果进行特征提取，得到第二特征。
在本申请实施例中，可以采用不同的特征提取模型对应交通数据编码结果的不同对象。例如，采用交通设施特征提取模型，对编码结果进行特征提取，采用交通参与者特征提取模型，对编码结果进行特征提取。从而可以满足不同对象的特征提取的准确性。
对应的，交通设施特征提取模型可以采用交通设施编码结果的样本进行训练。例如，交通设施特征提取模型的输入端可以是包含交通设施的编码结果样本，输出端可以是特征标注结果。
在对交通设施特征提取模型进行训练时，交通设施特征提取模型根据包含交通设施的交通数据样本，得到交通设施的特征。利用得出的交通设施的特征与特征标注结果的差异，对交通设施特征提取模型进行训练，直至差异在允许范围内。
同理，可以实现对于交通参与者特征提取模型的训练。
通过不同特征提取模型，可以对编码结果进行特征提取，可以消除领域偏移导致的特征提取不准确的弊端，提高特征提取的准确性。
在一种实施方式中，确定对象之间的关联参数，具体可以包括：
将交通数据中的对象对应的内容输入关联模型，得到对象之间的关联参数。
交通数据中的对象对应的内容可以是交通设施的特征以及交通参与者的特征。
关联模型可以是图神经网络(GCN，Graph Convolutional Network)。将交通数据中的对象对应的内容输入关联模型，可以得到交通参与者之间的关联参数，或者是交通设施和交通参与之间的关联参数。上述关联参数可以是一组多维向量的集合。
例如，可以将每个交通设施、每个交通参与者作为一个节点，利用所有节点构造出图像。利用图神经网络，可以确定构造出的图像中的每个节点之间的联系。上述联系作为交通数据中的对象之间的关联参数。
例如，关联参数可以是车与车之间(或车与人之间)的同向行驶、相向行驶、跟随行驶等；也可以是车主和车辆的关系，车辆和行人的在同一区域中参与交通的行为，例如在停车场场景、社区(校园)内行驶场景等。还可以是在不同车道中的行驶，根据标记线进行的转向、掉头行驶、根据交通信号灯的停车行为或者启动行为等，也可以是高于限速行驶，低于平均行驶速度行驶等。
另外，本申请实施例中，还可以采用Transformer模型作为关联模型。另外，还可以采用其他建立联系的模型作为关联模型，具体不进行限定。
通过上述方案，可以利用关联模型确定出交通参与者之间的关联参数，以及交通设施与交通参与之间的关联参数。从而可以利用后续根据上述关联参数确定交通异常情况。
在交通参与者的数量为多个的情况下，对象之间的关联参数包括：
每个交通参与者与交通设施之间的关联参数；以及
每个交通参与者之间的关联参数。
在交通参与者的数量较少的情况下，对象之间的关联参数可以仅包括每个交通参与者与交通设施之间的关联参数。在交通参与者数量较多的情况下，对象之间的关联参数还可以包括每个交通参与者之间的关联参数。
关联参数的丰富程度可以有助于检测结果的准确性。
结合图3所示，在一种实施方式中，步骤S103中涉及的根据交通参与者之间的联系，以及交通设施和交通参与之间的联系，利用预先训练的交通异常检测模型，得到交通异常的检测结果，可以包括以下步骤：
S301：将对象之间的关联参数输入预先训练的交通异常检测模型，得到交通异常参数；
S302：在交通异常参数与预定的交通参数阈值的差异超过允许范围的情况下，得到交通异常的检测结果。
交通异常参数可以是一组多维特征向量的集合，也可以是对多维特征向量进行归一化以后得到的单一特征值，在此不进行限定。
交通异常检测模型将交通异常参数与预定的交通参数阈值进行比较，可以得到差异情况。例如，可以利用欧式距离、马氏距离或曼哈顿距离等方式确定差异情况。
以交通异常参数是n维的向量的集合为例，将对象之间的关联参数输入预先训练的交通异常检测模型，得到n维的向量的集合。可以将n维的向量中的每一个维度的向量，均与对应的预定的交通参数阈值进行比较。存在任一维度的交通异常参数超出对应的预定的交通参数阈值的情况下，即可以交通异常。基于此，可以输出交通异常的检测结果。
本申请中，预定的参数阈值可以是数值范围。例如，预定的交通参数阈值可以是该数值范围的边界值。在交通异常参数中任一维度的特征向量超过边界值的情况下，即可确定为交通异常。反之，如果交通异常的检测结果未超过边界值，则可以确定出现交通正常。
通过上述方案，可以利用交通异常检测模型，根据交通数据确定的交通参与者之间的关联参数，以及交通设施与交通参与之间的关联参数，即可高效的得出交通异常情况。例如，可以对异常情况及时上报和广播；对异常情况发生的原因进行解析判断。在覆盖范围以及时效性方面具有较高的优势。尤其适用于高精地图，对交通异常情况的检测精度和鲁棒性都能达到较高的水准。
结合图4所示，本申请提供一种交通异常检测模型的训练方法，该方法可以包括以下步骤：
S401：利用交通数据中的对象之间的关联参数样本，确定初始化的交通参数阈值；
S402：将交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到交通异常参数与初始化的交通参数阈值的差异；
S403：根据差异对待训练的交通异常检测模型进行训练，直至差异在允许范围内。
可以利用历史交通数据作为交通数据样本，从交通数据样本中确定交通设施样本以及交通参与者样本。利用关联模型，得到交通数据中的对象之间的关联参数样本。
初始化的交通参数阈值可以是根据交通数据中的对象之间的关联参数样本得到的。例如，可以将每一时刻(每一检测帧)的交通数据中的对象之间的关联参数样本输入待训练的交通异常检测模型，得到一组多维向量集合。将多维向量集合中的所有向量进行均值计算，该计算结果可以作为初始化的交通参数阈值。
初始化的交通参数阈值将正常数据包裹在一个“超球体”内，初始化的交通参数阈值可以作为“超球体”的半径。对于每一时刻(每一检测帧)，将交通数据中的对象之间的关联参数样本输入待训练的交通异常检测模，待训练的交通异常检测模型得到交通异常参数与初始化的参数阈值的差异。该差异会在待训练的交通异常检测模型中的每一层进行反向传播，每一层的参数，以及初始化的交通参数阈值都会根据这个差异进行调整，直到待训练的交通异常检测模型的输出收敛或达到预期的效果才结束。
在一种实施方式中，交通数据中的对象之间的关联参数样本是在交通正常的情况下获取的样本；
初始化的交通参数阈值为在交通正常的情况下的交通参数的最大值。
由于交通异常情况所占比例较低，因此对于交通异常情况下的样本获取难度较大。基于此，本申请中对象之间的关联参数样本可以是在交通正常的情况下获取的样本。
在此情况下，利用单一的正(或负)样本对待训练的交通异常检测模型进行训练。可以得到在交通正常情况下的对象之间的关联参数范围(交通参数阈值)。
在一些可能的实施方式中，在交通参与者之间的关联参数超出阈值的情况下，即可确认为交通异常。反之，在交通参与者之间的关联参数未超出阈值的情况下，即可确认为交通正常。阈值可以是在交通正常情况下的对象之间的关联参数范围。
结合图5所示，本申请提供一种交通异常的检测装置，该装置可以包括：
交通数据识别模块501，用于确定交通数据中的对象，对象包括交通设施以及交通参与者；
关联参数确定模块502，用于确定交通数据中的对象之间的关联参数；
检测结果生成模块503，用于根据对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果。
在一种实施方式中，交通数据识别模块501可以进一步包括：
编码子模块，用于对交通数据进行编码，得到编码结果；
特征提取子模块，用于对编码结果进行特征提取，得到第一特征和第二特征；第一特征用于表征交通设施，第二特征用于表征交通参与者。
在一种实施方式中，特征提取子模块可以进一步包括：
第一特征提取单元，用于利用交通设施特征提取模型，对编码结果进行特征提取，得到第一特征；
第二特征提取单元，用于利用交通参与者特征提取模型，对编码结果进行特征提取，得到第二特征。
在一种实施方式中，关联参数确定模块具体用于：将交通数据中的对象对应的内容输入关联模型，得到对象之间的关联参数。
在一种实施方式中，在交通参与者的数量为多个的情况下，对象之间的关联参数包括：
每个交通参与者与交通设施之间的关联参数；以及
每个交通参与者之间的关联参数。
在一种实施方式中，检测结果生成模块503可以进一步包括：
交通异常参数确定子模块，用于将对象之间的关联参数输入预先训练的交通异常检测模型，得到交通异常参数；
检测结果生成执行子模块，用于在交通异常参数与预定的交通参数阈值的差异超过允许范围的情况下，得到交通异常的检测结果。
如图6所示，本申请提供一种交通异常检测模型的训练装置，该装置可以包括：
初始化的交通参数阈值确定模块601，用于利用交通数据中的对象之间的关联参数样本，确定初始化的交通参数阈值；
差异确定模块602，用于将交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到交通异常参数与初始化的交通参数阈值的差异；
训练执行模块603，用于根据差异对待训练的交通异常检测模型进行训练，直至差异在允许范围内。
在一种实施方式中，交通数据中的对象之间的关联参数样本是在交通正常的情况下获取的样本；
初始化的交通参数阈值为在交通正常的情况下的交通参数的最大值。
在一种实施方式中，交通数据中的对象之间的关联参数样本包括：
每个交通参与者与交通设施之间的关联参数样本；以及
每个交通参与者之间的关联参数样本。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本申请的实施例的电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本申请的实现。
如图7所示，电子设备700包括计算单元710，其可以根据存储在只读存储器(ROM)720中的计算机程序或者从存储单元780加载到随机访问存储器(RAM)730中的计算机程序来执行各种适当的动作和处理。在RAM 730中，还可存储设备700操作所需的各种程序和数据。计算单元710、ROM 720以及RAM 730通过总线740彼此相连。输入输出(I/O)接口750也连接至总线740。
电子设备700中的多个部件连接至I/O接口750，包括：输入单元760，例如键盘、鼠标等；输出单元770，例如各种类型的显示器、扬声器等；存储单元780，例如磁盘、光盘等；以及通信单元790，例如网卡、调制解调器、无线通信收发机等。通信单元790允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元710可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元710的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元710执行上文所描述的各个方法和处理，例如交通异常的检测方法和/或交通异常检测模型的训练方法。例如，在一些实施例中，交通异常的检测方法和/或交通异常检测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元780。在一些实施例中，计算机程序的部分或者全部可以经由ROM 720和/或通信单元790而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 730并由计算单元710执行时，可以执行上文描述的交通异常的检测方法和/或交通异常检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元710可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行交通异常的检测方法和/或交通异常检测模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (19)

1.一种交通异常的检测方法，包括：
确定交通数据中的对象，所述对象包括交通设施以及交通参与者；其中，所述交通设施包括所述交通设施的内容及其变化情况；所述交通参与者包括通过识别每个所述交通参与者在不同时刻的位置，确定每个所述交通参与者的移动轨迹；
确定所述交通数据中的对象之间的关联参数，所述关联参数用于表征交通参与者之间的关联情况，或用于表征交通参与者与交通设施之间的关联情况；
根据所述对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果；
其中，所述确定交通数据中的对象，包括：
对所述交通数据进行编码，得到编码结果；所述编码结果表征所述交通数据中所述交通设施以及所述交通参与者在不同维度的信息，所述不同维度的信息包括交通设施的坐标和状态、交通参与者在一段时间内的轨迹、交通参与者的类别以及时间信息、天气信息；
对所述编码结果进行特征提取，得到第一特征和第二特征；所述第一特征用于表征所述交通设施，所述第二特征用于表征所述交通参与者。
2.根据权利要求1所述的方法，其中，所述对所述编码结果进行特征提取，包括：
利用交通设施特征提取模型，对所述编码结果进行特征提取，得到所述第一特征；
利用交通参与者特征提取模型，对所述编码结果进行特征提取，得到所述第二特征。
3.根据权利要求1或2所述的方法，确定所述对象之间的关联参数，包括：
将所述交通数据中的所述对象对应的内容输入关联模型，得到所述对象之间的关联参数。
4.根据权利要求3所述的方法，其中，在所述交通参与者的数量为多个的情况下，所述交通数据中的对象之间的关联参数包括：
每个所述交通参与者与所述交通设施之间的关联参数；以及
每个交通参与者之间的关联参数。
5.根据权利要求1所述的方法，其中，所述根据所述对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果，包括：
将所述对象之间的关联参数输入所述预先训练的交通异常检测模型，得到交通异常参数；
在所述交通异常参数与预定的交通参数阈值的差异超过允许范围的情况下，得到交通异常的检测结果。
6.一种交通异常检测模型的训练方法，包括：
利用交通数据中的对象之间的关联参数样本，确定初始化的交通参数阈值，所述交通数据中的对象包括交通设施以及交通参与者，所述交通设施包括交通设施的内容及其变化情况；所述交通参与者包括通过识别每个所述交通参与者在不同时刻的位置，确定出的每个所述交通参与者的移动轨迹；所述关联参数样本用于表征交通参与者之间的关联情况，或用于表征交通参与者与交通设施之间的关联情况；
将所述交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到交通异常参数与所述初始化的交通参数阈值的差异；
根据所述差异对待训练的交通异常检测模型进行训练，直至所述差异在允许范围内；
其中，所述将所述交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到交通异常参数与所述初始化的交通参数阈值的差异，包括：
将每一时刻的交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到所述交通异常参数与所述初始化的交通参数阈值的差异。
7.根据权利要求6所述的方法，其中，所述交通数据中的对象之间的关联参数样本是在交通正常的情况下获取的样本；
所述初始化的交通参数阈值为在所述交通正常的情况下的交通参数的最大值。
8.根据权利要求6或7所述的方法，其中，所述交通数据中的对象之间的关联参数样本包括：
每个交通参与者与交通设施之间的关联参数样本；以及
每个所述交通参与者之间的关联参数样本。
9.一种交通异常的检测装置，包括：
交通数据识别模块，用于确定交通数据中的对象，所述对象包括交通设施以及交通参与者；其中，所述交通设施包括所述交通设施的内容及其变化情况；所述交通参与者包括通过识别每个所述交通参与者在不同时刻的位置，确定每个所述交通参与者的移动轨迹；
关联参数确定模块，用于确定所述交通数据中的对象之间的关联参数，所述关联参数用于表征交通参与者之间的关联情况，或用于表征交通参与者与交通设施之间的关联情况；
检测结果生成模块，用于根据所述对象之间的关联参数，利用预先训练的交通异常检测模型，得到交通异常的检测结果；
其中，所述交通数据识别模块，包括：
编码子模块，用于对所述交通数据进行编码，得到编码结果；所述编码结果表征所述交通数据中所述交通设施以及所述交通参与者在不同维度的信息，所述不同维度的信息包括交通设施的坐标和状态、交通参与者在一段时间内的轨迹、交通参与者的类别以及时间信息、天气信息；
特征提取子模块，用于对所述编码结果进行特征提取，得到第一特征和第二特征；所述第一特征用于表征所述交通设施，所述第二特征用于表征所述交通参与者。
10.根据权利要求9所述的装置，其中，所述特征提取子模块，包括：
第一特征提取单元，用于利用交通设施特征提取模型，对所述编码结果进行特征提取，得到所述第一特征；
第二特征提取单元，用于利用交通参与者特征提取模型，对所述编码结果进行特征提取，得到所述第二特征。
11.根据权利要求9或10所述的装置，其中，所述关联参数确定模块具体用于：将所述交通数据中的所述对象对应的内容输入关联模型，得到所述对象之间的关联参数。
12.根据权利要求11所述的装置，其中，在所述交通参与者的数量为多个的情况下，所述对象之间的关联参数包括：
每个所述交通参与者与所述交通设施之间的关联参数；以及
每个交通参与者之间的关联参数。
13.根据权利要求9所述的装置，其中，所述检测结果生成模块，包括：
交通异常参数确定子模块，用于将所述对象之间的关联参数输入所述预先训练的交通异常检测模型，得到交通异常参数；
检测结果生成执行子模块，用于在所述交通异常参数与预定的交通参数阈值的差异超过允许范围的情况下，得到交通异常的检测结果。
14.一种交通异常检测模型的训练装置，包括：
初始化的交通参数阈值确定模块，用于利用交通数据中的对象之间的关联参数样本，确定初始化的交通参数阈值，所述交通数据中的对象包括交通设施以及交通参与者，所述交通设施包括交通设施的内容及其变化情况；所述交通参与者包括通过识别每个所述交通参与者在不同时刻的位置，确定出的每个所述交通参与者的移动轨迹；所述关联参数样本用于表征交通参与者之间的关联情况，或用于表征交通参与者与交通设施之间的关联情况；
差异确定模块，用于将所述交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到交通异常参数与所述初始化的交通参数阈值的差异；
训练执行模块，用于根据所述差异对待训练的交通异常检测模型进行训练，直至所述差异在允许范围内；
其中，所述差异确定模块具体用于：
将每一时刻的交通数据中的对象之间的关联参数输入待训练的交通异常检测模型，得到所述交通异常参数与所述初始化的交通参数阈值的差异。
15.根据权利要求14所述的装置，其中，所述交通数据中的对象之间的关联参数样本是在交通正常的情况下获取的样本；
所述初始化的交通参数阈值为在交通正常的情况下的交通参数的最大值。
16.根据权利要求14或15所述的装置，其中，所述交通数据中的对象之间的关联参数样本包括：
每个交通参与者与交通设施之间的关联参数样本；以及
每个所述交通参与者之间的关联参数样本。
17.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1至8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1至8中任一项所述的方法。
CN202110075844.2A 2021-01-20 2021-01-20 交通异常的检测方法、模型的训练方法及装置 Active CN112907949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110075844.2A CN112907949B (zh) 2021-01-20 2021-01-20 交通异常的检测方法、模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110075844.2A CN112907949B (zh) 2021-01-20 2021-01-20 交通异常的检测方法、模型的训练方法及装置

Publications (2)

Publication Number Publication Date
CN112907949A CN112907949A (zh) 2021-06-04
CN112907949B true CN112907949B (zh) 2022-11-22

Family

ID=76116652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110075844.2A Active CN112907949B (zh) 2021-01-20 2021-01-20 交通异常的检测方法、模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN112907949B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102956104A (zh) * 2012-10-19 2013-03-06 上海交通大学无锡研究院 一种基于车辆轨迹描述检测交通事件的方法
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法
CN111144375A (zh) * 2019-12-31 2020-05-12 中国民用航空总局第二研究所 基于特征编码的异常行为检测方法、装置及电子设备
CN111402612A (zh) * 2019-01-03 2020-07-10 北京嘀嘀无限科技发展有限公司 一种交通事件通知方法及装置
CN111767783A (zh) * 2020-04-22 2020-10-13 杭州海康威视数字技术股份有限公司 行为检测、模型训练方法、装置、电子设备及存储介质
CN112200044A (zh) * 2020-09-30 2021-01-08 北京四维图新科技股份有限公司 异常行为检测方法、装置及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11323465B2 (en) * 2018-09-19 2022-05-03 Nec Corporation Temporal behavior analysis of network traffic
CN111126622B (zh) * 2019-12-19 2023-11-03 中国银联股份有限公司 一种数据异常检测方法与装置
CN111160485B (zh) * 2019-12-31 2022-11-29 中国民用航空总局第二研究所 基于回归训练的异常行为检测方法、装置及电子设备
CN111696352A (zh) * 2020-06-09 2020-09-22 北京百度网讯科技有限公司 交通信息的处理方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102956104A (zh) * 2012-10-19 2013-03-06 上海交通大学无锡研究院 一种基于车辆轨迹描述检测交通事件的方法
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法
CN111402612A (zh) * 2019-01-03 2020-07-10 北京嘀嘀无限科技发展有限公司 一种交通事件通知方法及装置
CN111144375A (zh) * 2019-12-31 2020-05-12 中国民用航空总局第二研究所 基于特征编码的异常行为检测方法、装置及电子设备
CN111767783A (zh) * 2020-04-22 2020-10-13 杭州海康威视数字技术股份有限公司 行为检测、模型训练方法、装置、电子设备及存储介质
CN112200044A (zh) * 2020-09-30 2021-01-08 北京四维图新科技股份有限公司 异常行为检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN112907949A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN111611955B (zh) 可通行施工道路的识别方法、装置、设备及存储介质
CN114415628A (zh) 自动驾驶测试方法及装置、电子设备和存储介质
CN114170797B (zh) 交通限制路口的识别方法、装置、设备、介质及产品
CN115690153A (zh) 一种智能体轨迹预测方法及系统
CN115909749A (zh) 车辆运行道路风险预警方法、装置、设备及存储介质
CN116737857A (zh) 道路数据处理方法、相关装置和介质
CN115359471A (zh) 图像处理及联合检测模型训练方法、装置、设备和存储介质
CN113837268A (zh) 确定轨迹点状态的方法、装置、设备和介质
CN112907949B (zh) 交通异常的检测方法、模型的训练方法及装置
CN114998863B (zh) 目标道路识别方法、装置、电子设备以及存储介质
CN113850297B (zh) 道路数据的监测方法、装置、电子设备及存储介质
CN115973190A (zh) 自动驾驶车辆的决策方法、装置和电子设备
CN113706705B (zh) 用于高精地图的图像处理方法、装置、设备以及存储介质
CN113119996B (zh) 一种轨迹预测方法、装置、电子设备及存储介质
CN114419883A (zh) 识别路口缺失交通限制信息的方法、装置和电子设备
CN115062240A (zh) 一种停车场排序方法、装置、电子设备和存储介质
CN112861701A (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
CN114572233B (zh) 基于模型集合的预测方法、电子设备及自动驾驶车辆
CN114596552B (zh) 信息处理方法、训练方法、装置、设备、车辆及介质
CN116071925B (zh) 轨迹预测方法、装置及电子处理装置
CN113947897B (zh) 获取道路交通状况的方法、装置、设备及自动驾驶车辆
CN114529768B (zh) 确定对象类别的方法、装置、电子设备和存储介质
CN113806361B (zh) 电子监控设备与道路的关联方法、装置及存储介质
CN114970949B (zh) 行驶速度预测方法、装置、电子设备及存储介质
CN114596549A (zh) 数据处理方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant